《表2 时间性能比较：基于栈式循环神经网络的血液动力学状态估计方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于栈式循环神经网络的血液动力学状态估计方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先需要说明的是，SRNN与NARX算法属于监督学习算法，需要使用大量的数据进行训练，使神经网络能够从数据中学习出其内在的映射规律.而DEM与SCKS则不需要进行预训练，可以直接输入BOLD信号，对血液动力学状态进行估计.因此，将神经网络在训练上的时间复杂度、它们的训练时间，以及所有算法在测试集样本上运行的时间进行了比较，如表2所示.其中，KD，KSC，KN，KSR分别表示各算法的迭代次数，T表示BOLD时间序列的长度，ns，np分别表示算法需要估计的血液动力学状态与模型参数的数量，本文中ns=4，np=7.在神经网络训练时间复杂度中，m表示训练批量大小，nhn与nhs表示神经网络的最大隐层数.